图像处理基础及其python实现（一）

PIL

• 图像读取

from PIL import Image
im = Image.open('empire.jpg')
#灰度图像
im2 = Image.open('empire.jpg').convert('L')

• 读取图像到数组中
  numpy模块的应用

from numpy import *
im = array(Image.open('empire.jpg'),convert('L'))

• 图像轮廓和直方图

from PIL import Image
form pylab import *
im = array(Image.open('empire.jpg').convert('L'))
figure()
gray()
contour(im,origin='image')
axis('equal')
axis('off')

# hist()直方图
hist(im.flatten(),128)
show()

    对图像进行压平处理
flatten（）将任意数组按行优先准则转换成一维数组

灰度变换

• 概念
  灰度变换也被称为图像的点运算（只针对图像的某一像素点）
  变换形式：
  s = T（r）
  其中，T是灰度变换函数；r是变换前的灰度；s是变换后的像素。

• 作用
  1.改善图像的质量，使图像能够显示更多的细节，提高图像的对比度（对比度拉伸）
  2.有选择的突出图像感兴趣的特征或者抑制图像中不需要的特征
  3.可以有效的改变图像的直方图分布，使像素的分布更为均匀

• 常见灰度变换
  1.线性函数
  S = a * r + b
  图像翻转 S = 255 - r
  增强在图像暗区域的白色或者灰色细节

from PIL import Image
import numpy as np
im = np.array(Image.open('empire.jpg').convert('L'))
im2 = 255-im

2.对数变换
S = c Log(1 + r)
将源图像中范围较窄的低灰度值映射到范围较宽的灰度区间，同时将范围较宽的高灰度值区间映射为较窄的灰度区间，从而扩展了暗像素的值，压缩了高灰度的值，能够对图像中低灰度细节进行增强
3.幂律变换（伽马变换）
伽马变换主要用于图像的校正，对灰度值过高（图像过亮）或者过低（图像过暗）的图像进行修正，增加图像的对比度，从而改善图像的显示效果。

2.3见

• 直方图均衡化
  直方图均衡化是将一幅图像的灰度直方图变平，使得变换后的图像中的每个灰度值的分布概率都相同。是对图像灰度值进行归一化的方法，可以增强图像的对比度。
  描述了图像中灰度分布情况，能够很直观的展示出图像中各个灰度级所占的多少。
  

  变换函数
  图像中像素值的累积分布函数，即 cumul。ative distribution function，CDF。将像素值的范围映射到目标范围的归一化操作。

from matplotlib.pyplot import *
def histeq(im,nbr_bsin=256):

    """对一幅灰度图像进行直方图均衡化
    图像灰度值归一化
    增强图像对比度度
    """
    imhist,bins = histogram(im.flatten(),nbr_bins,normed = True)
    cdf = imhist.cumsum()
    cdf = 255 * cdf / cdf[-1]

    #使用累积分布函数的线性插值，计算新的像素值
    im2 = interp(im.flatten(),bins[:-1],cdf)    #flatten()将任意数组按行优先准则转换成一维数组

    return im2.reshape(im.shape),cdf

• 直方图规定化

  直方图规定化，也称为直方图匹配，经过规定化处理将原图像的直方图变换为特定形状的直方图（上面中的示例，就是将图像的直方图变换为另一幅图像的直方图）。它可以按照预先设定的某个形状来调整图像的直方图,运用均衡化原理的基础上，通过建立原始图像和期望图像之间的关系，选择地控制直方图，使原始图像的直方图变成规定的形状它可以按照预先设定的某个形状来调整图像的直方图。直方图规定化是在运用均衡化原理的基础上，通过建立原始图像和期望图像之间的关系，选择地控制直方图，使原始图像的直方图变成规定的形状，从而弥补直方图均衡化的一些缺点.

特别感谢Brook_icv在这方面的学习经验-------相关链接